農業人工智慧所面臨的挑戰
農業人工智慧所面臨的挑戰
來自專欄無人機遙感技術與現代化精準農業的有效結合
4 人贊了文章
演講者：Joseph Byrum
說明：Joseph Byrum是先正達生命科學全球產品開發，創新和交付的高級研發和戰略營銷主管。
在南非中部的一個灌溉樞紐旁，一羣種植玉米的農民站著擠在一個農藝師和他的電腦旁邊。農藝師讓一架混合型的無人機用螺旋槳起飛和著陸，不過它是通過固定翼進行巡航，對大片土地進行掃描。
該無人機配備了四頻段的高精度光譜感測器，可在飛行後立即進行機載處理，使農民和現場工作人員幾乎可以立即處理感測器可能記錄的任何作物異常現象，做到真正實時的數據採集。
這個時候，農民和農藝師正在查找專業軟體為他們提供準確的各植物種類數量。玉米長出來10天後，農民想要確定是否有任何部分地區由於缺少出苗或風損而需要補種，這在夏季雨季的早期階段將是十分嚴重的。
在植物發育的這個發育階段，農民還需要10天時間進行一些補種，然後才能進行大部分肥料和化學品應用。一旦實施了這些措施後，再採取糾正措施在經濟角度來看就變得不可行了。進一步收集的數據具有歷史性和實用性，不過只適用於今後生產季了，只適用於做為未來的歷史數據。
該軟體在15分鐘內完成處理，生成各植物種類數量圖。把這個東西做得這麼出色是一個多麼難的過程，不理解的是在一年前處理完全相同的數據量需要三到五天，現在僅需要15分鐘。這說明近年來精準農業和遙感方面還是取得了很大的進展。
當地圖出現在屏幕上的時候，農藝師的臉開如沉下來。在飛行之前，他就已經走過種植地，對玉米地裏作物的實際情況有所瞭解。他知道屏幕民顯示的植物數量不正確。農民也一樣，即使他們對如何解讀遙感地圖並不是十分了解。
農業人工智慧的潛力
假設，機器可以通過使用人工智慧和機器學習來學習解決地球上所有與物體相互作用有關的問題。
人工智慧的原理是機器可以感知其周圍環境，並且通過一定的靈活理性能力，採取行動來解決與該環境有關的特定目標。機器學習是指根據指定的一組協議，基於它所接收的數據統計性質的增加了，同一臺機器在處理與環境相關的問題和目標方面的能力得到提高。
數字農業及其相關技術的興起開啟了大量新的數據機遇。遠程感測器，衛星和無人機可以在整個農田進行全天24小時信息採集，可以監測植物健康狀況，土壤狀況，溫度，濕度等。這些感測器產生海量數據，而數據的重要性隱藏在數據的雪崩中。
這個想法是讓農民通過先進的技術（如遙感）更好地瞭解當地的情況，這些技術可以讓他們瞭解他們的情況，而不只是用肉眼看到的情況。而不僅僅是讓機械更精準，更快速的在地裡面駕駛、耕作。
遠程感測器通過演算法能將田間環境解讀為統計數據，這些數據可以給農民用於輔助決策。演算法處理數據就是根據收到的數據進行處理，以適應和學習。收集的輸入和統計信息越多，預測一系列結果的演算法就越好。其目的是農民可以通過在這一領域做出更好的決定，利用這種人工智慧來實現他們獲得更好收成的目標。
2011年，IBM通過位於以色列海法的研發總部推出了農業雲計算項目。該項目與許多專業化的IT和農業合作夥伴合作，有一個目標 - 從農業環境中獲取各種學術和物理數據來源，並將這些數據轉化為農民的自動預測解決方案，以幫助他們制定在該領域的實時決策。
當時與一些IBM項目團隊成員的訪談顯示，團隊認為完全有可能「演算法化」農業，這意味著演算法可以解決世界上任何問題。那年早些時候，IBM的認知學習系統Watson以驚人的成績在Jeopardy中與前贏家Brad Rutter和Ken Jennings進行了比賽。幾年後，Watson繼續在醫學領域取得突破性成就，導致IBM的農業項目被關閉或縮減。最終，IBM意識到為農業生產認知機器學習解決方案的任務比他們想像的要困難得多。
那麼為什麼這個項目在醫學上取得了如此成功，而不是農業呢？
是什麼使農業有所不同？
為了進行統計量化，農業是最難全覆蓋的領域之一。即使在一個領域內，條件總是從一個部分變為另一個部分。有不可預知的天氣，土壤質量的變化，以及病蟲害可能造訪的時刻。種植者可能會感覺他們的前景對即將到來的收穫很有利，但直到那一天到來，結果總是不確定。
相比之下，我們的身體是一個封閉的環境。農業發生在自然界，生物和活動相互作用的生態系統之中，作物生產發生在該生態系統的環境中。但是這些生態系統沒有被包含在內。它們受氣候影響，例如天氣系統，影響整個半球，從大陸到大陸。因此，理解如何管理農業環境意味著要考慮數百甚至數千個因素。
美國中西部地區相同的種子和肥料計劃可能會發生的情況幾乎肯定與澳大利亞或南非的相同種子和肥料計劃可能發生的情況不會有任何關聯。影響變化的一些因素通常包括單位種植作物的降雨量，土壤類型，土壤退化模式，日光時間，溫度等。
因此，在農業中部署機器學習和人工智慧的問題不是科學家缺乏開發項目和協議的能力，無法開始解決種植者最關心的問題;問題在於，在大多數情況下，沒有兩個環境將完全相同，這使得這些技術的測試，驗證和成功推出比大多數其他行業更加費力。
理論上，可以說人工智慧和機器學習可以用來解決與我們的物理環境有關的所有問題，基本上說，我們對地球上物理或物質活動的相互作用的所有方面有了全面的瞭解。畢竟，只有通過我們對「事物的本質」的理解，協議和過程才能為認知系統的合理能力而設計。而且，雖然人工智慧和機器學習正在教給我們很多關於如何理解我們的環境的事情，但我們還遠遠沒有能夠純粹通過機器的認知能力預測農業等領域的關鍵成果。
結論
由風險投資社區支持，現在已經向這個領域投入了數十億美元，今天大多數農業技術創業公司都被迫儘快完成開發，然後鼓勵儘快用他們的產品佔領市場。
這通常會導致產品失敗，這會導致市場持懷疑態度，並給機器學習技術的完整性帶來打擊。在大多數情況下，問題並不在於技術不起作用，問題在於行業沒有花時間尊重農業是最難控制的環境之一。要讓技術在這個領域真正發揮影響力，需要更多的努力，技能和資金來在農民田間測試這些技術。
人工智慧和機器學習具有巨大的潛力，可以通過將這些技術整合到全球關鍵市場中來革新農業。只有這樣它才能對種植者產生影響，這纔是真正重要的。
推薦閱讀：
